arXiv cs.CL· Ziyu Luo, Wei Li, Haoping Huang, Kecheng Liu, Min Gao·· 6 天前AI 评分22
SharP：用软硬提示引导 LLM 增强的低资源假新闻检测
SharP: Soft and Hard Prompt-Guided Augmentation with LLM for Low Resource Fake News Detection
AI 导读
针对低资源假新闻检测中标注数据稀缺的问题，研究者提出 SharP——一个由软提示与硬提示共同引导的边界感知文本生成框架，利用 LLM 生成任务相关的合成样本。其中硬提示提供结构化指导与事实约束，软提示引入从数据中学到的语义模式，并配合边界感知策略让生成偏向分类器置信度较低的区域。该工作采用双目标优化平衡语义对齐与分类器反馈，论文共 28 页、7 图、8 表，代码已公开。
正文 · AI 翻译
摘要：低资源条件下的假新闻检测面临标注数据稀缺以及难以捕捉细微欺骗模式的挑战。在本工作中，我们聚焦于低资源假新闻检测，即仅有少量标注集可用于训练，而评估则在固定且不变的测试协议下进行。这一设定源于事实核查成本高昂且存在歧义，以及现有基准覆盖不足的新兴主题和领域。现有的数据增强方法，如同义词替换、生成对抗网络以及基于大语言模型（LLM）的生成，往往产生流畅但过于通用的内容，缺乏准确检测所需的特定任务相关性。为解决这一问题，我们提出 SharP，一个由软提示和硬提示引导的边界感知文本生成框架，它利用 LLM 作为适配工具来生成特定任务的合成样本。SharP 采用双提示机制：硬提示提供结构化指导和事实约束，而软提示引入从数据中学习到的语义模式。这两类提示相结合来引导生成过程，使模型能够生成与新闻特征高度契合的样本。为进一步提升检测性能，我们引入边界感知策略，将生成引导至分类器置信度较低的区域，有助于厘清真实与虚假内容之间的细微差别。此外，我们采用双目标优化，在语义与源数据对齐和分类器反馈之间取得平衡。这鼓励生成既与领域一致、又有助于细化决策边界的样本，最终提升低资源假新闻检测中模型的鲁棒性和泛化能力。
| 评论： | 28 页，7 幅图，8 张表。作者手稿。代码：此 https URL |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.13207 [cs.CL] |
| （或 arXiv:2610.13207v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13207 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 期刊 参考： | Expert Systems with Applications 309 (2026) 131178 |
| 相关 DOI： | https://doi.org/10.1016/j.eswa.2026.131178
链接到相关资源的 DOI |
提交历史
来自：Ziyu Luo [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 08:25:34 UTC（588 KB）
来源：arXiv cs.CL · arxiv.org